干这行快十五年了，缺陷检测这事儿，说实话，远没有那些PPT里画的那么光鲜。
你以为架个相机，跑个深度学习模型，就能把不良品挑得干干净净？天真。真正在生产线上滚过的兄弟都明白——光照稍微变一点，传送带抖一下，检测结果可能就崩了。崩到你怀疑人生。
我至今记得第一次独立负责项目，那是个手机中框的轻微划伤检测。客户说：肉眼都看不太清，机器能行吗？我当时拍胸脯保证，用的可是当时最火的CNN。结果呢？误报率飙到30%，产线差点停摆。那段时间压力大到失眠，半夜爬起来改参数是常态。
传统算法还是深度学习？别被时髦词忽悠
现在一谈缺陷检测，张口就是AI、深度学习。但我得泼盆冷水——很多场景，传统算法反而更稳。真的，我踩过的坑全是泪。
比如简单的脏污检测，用个差分法或者阈值分割，可能几十行代码就搞定。速度飞快，解释性也强。你非要上深度学习，标注几千张图，训练半天，结果光照一变还是抓瞎。何苦呢？
但也不是说深度学习没用。复杂纹理背景、低对比度、非规则缺陷……这些地方传统算法确实吃力。这时候Deep Learning的价值就出来了。重点在于场景匹配，而不是跟风。你得亲自去产线盯着，摸清来料一致性、机械振动幅度、甚至操作工的习惯。
有一次做玻璃盖板的内部气泡检测，客户非要用AI，我坚持先用背光+blob分析试试。结果检测率99.5%，误检不到1%。客户技术总监看了直点头——省下几十万预算。所以啊，方案选型别听销售吹，要信现场数据。
那些年，我踩过的坑
做缺陷检测，最怕的是“想当然”。我罗列几个血泪教训，希望能让后来者少走弯路。
1. 光源比算法重要十倍！ 这是我最想呐喊的一句话。多少次，模型怎么调都效果差，换个打光角度，特征瞬间清晰。记得有个金属件上的微小凹坑，各种环形光、同轴光试遍了都不理想，最后偶然用了低角度暗场，缺陷像黑夜里的星星一样跳出来。那种惊喜！简直想抱着光源供应商亲一口。
2. 不要忽视机械结构。 相机抖动、产品定位偏差，会直接毁掉你的ROI匹配。我经历过一个项目，检测精度始终波动，查了两天发现是传动皮带老化，有细微滑移。换根皮带，指标立刻稳定。所以检测系统是“光机电算”一体的，哪一环掉链子都不行。
3. 样本！样本！样本！ 重要的事说三遍。特别是深度学习的项目，初期样本往往不够，或者缺陷类型覆盖不全。上线后冒出新缺陷，模型直接瞎了。我现在都要求工厂先积累至少三个月的不良品，分类归档。这过程很烦，但值得。否则你会陷入无止境的“打地鼠”循环。
有一次，一个电容外观检测项目，产线突然出现一种极细的丝状物附着，之前从没见过。模型全部判为OK，流到了客户端。质量问题投诉，损失惨重。后来我们建立了“未知缺陷”报警机制，宁可误停线，也不敢漏。这就是用真金白银买来的教训。
QA答疑：你最关心的缺陷检测问题
问：你们做项目时，误检率和漏检率到底哪个优先控制？
答：这个问题问得太好了！每次跟客户沟通，这都是核心矛盾。原则上，安全件、功能件——比如刹车片缺陷、药品包装破损——漏检是零容忍，必须拼命压漏检，哪怕误报多些，人可以二次复判。但对于外观装饰件，过度误报会让产线没法干活，这时候就得平衡。我的经验是：先明确质量成本的量化，跟客户算笔账，再设定漏检/误检的具体KPI，不然永远扯皮。
问：小批量、多品种的产线，怎么搞缺陷检测？感觉换型太慢了。
答：哎，这种活最头疼。我们以前硬上过一套万能算法，结果四不像。后来学乖了，用模块化设计：快速换型的工装保证定位一致，算法做成配方文件，一键切换。遇到新品种，只要表面属性相似（比如都是金属车削件），传统算法调几个阈值就行。实在特殊的，再启动深度学习小样本训练，通常两三天能搞定。记住，物理上的快速换型比算法更重要，别死磕软件。
问：现在说的AI缺陷检测，真的能替代人工吗？
答：完全替代？呵呵，部分场景可以，大多数还是“机器初筛+人工复核”。人眼的适应性、对“异常”的直觉判断，机器暂时没有。尤其在缺陷定义模糊、标准主观的情况下，人依然是最后的防线。但机器可以大幅降低劳动强度，提升一致性。我们更愿意叫“辅助检测”。当然，如果缺陷模式固定、产量极大，像电子元器件的某些检测，黑灯工厂早实现了。所以别信那种“全面替代”的鬼话，务实点。
聊了这么多，其实就是一句话：缺陷检测这行，没有银弹。你得懂光，懂机械，懂算法，还得懂客户产线的真实痛点。每次接到新任务，我还是会忐忑，因为每个现场都是新战场。但解决完问题，站在长舒一口气的客户身边，那种成就感确实让人上瘾。好了，不说了，我得去调下一台设备的光源了……